基于数据分析的锅炉协同减污优化研究现状

李运泉*，江志铭，白凯杰，冀光普，邓 聪

（1.广东省特种设备检测研究院顺德检测院，广东 佛山 528000；2.华南理工大学 机械与汽车工程学院，广东广州 510641；3.国家工业锅炉质量检验检测中心（广东），广东 佛山 528000）

引言

国家统计局2016-2020 年废气中主要污染物排放数据显示，废气中的SO2、NOx 与粉尘的排放量尽管在逐年下降，但总排放量依旧巨大。第二次全国污染源普查公报显示，电力、热力生产和供应业在SO2与NOx 排放量位居前两位[1]，大量的SO2与NOx 被排放到空气中，经大量的化学反应，将会对区域环境、人体造成严重的危害，如对人体造成器官病变、腐蚀建筑物和机械设备等。锅炉作为我国工业生产行业主要动力设备之一，其主要通过燃烧化石能源将化学能转换成热能，利用蒸汽、高温水等推动各种生产设备运行，有利的保障了我国工业发展和社会经济效应。因此，严格地控制锅炉NOx、SO2、粉尘的排放是减少污染、控制环境必不可少的措施之一[2]。

图1 2016-2020 年我国废气中主要污染物排放

目前，在各种污染物脱除的过程中，对燃煤锅炉排放烟气中的污染物去除主要是通过超低排放系统实现的，其工艺流程见图2[3]。在实际操作过程中，超低排放系统主要是各子设备根据其主要去除污染物进行相对独立的控制运行，针对独立设备对单一污染物进行高效脱除，并没有将多设备间的协同去除机理纳入考虑范围，极大的提高了设备的运行成本。因此，对超低排放系统的各单一设备进行整体考量，对多设备进行协同优化控制，具有重要的社会经济效应。

图2 燃煤锅炉发电厂污染物协同脱除流程图

现分析了国内外燃煤锅炉的脱硫除尘现状及多目标优化研究现状，针对燃煤锅炉超低排放系统的系统特性，提出基于能效分析的锅炉协同减污优化方案。

1 燃煤锅炉的脱硫除尘现状

目前我国在燃煤锅炉生产作业过程中主要使用以下四种烟气脱硫工艺，分别是喷雾干燥法、循环流化床法脱硫工艺、石灰石- 石膏湿法烟气脱硫工艺和烟气氨法脱硫工艺。其中石灰石- 石膏湿法烟气脱硫工艺在我国脱硫工艺中发展最成熟而且应用最广泛，它不仅使用成本低，工作效率高，而且利用率比较高，可以循环使用，能达到相关要求[4]。

高效除尘技术主要包括干式电除尘技术、电袋复合除尘技术、湿式电除尘技术等。目前，我国燃煤电厂主要以电除尘器为主，随着环保要求的不断趋严，除尘效率要求越来越高，除了增加电场数量，各种高效电除尘技术应用更加广泛，同时，采用布袋除尘器和电袋复合除尘器的比例也逐步提高。

2 脱硫/除尘预测国内外研究现状

燃煤锅炉SO2与粉尘的排放浓度受到给煤品质、磨煤机运行方式、锅炉机组负荷等多种因素的耦合影响，其内部机理往往比较复杂，为搭建SO2/粉尘浓度预测模型带来了极大的难度和挑战。

我国大多数燃煤电厂使用湿法烟气脱硫（WFGD）作为除去SO2的主要方法。目前，WFGD 的运行缺乏预测出口浓度的精确建模方法，更不用说优化方法了。在烟气SO2/粉尘排放预测方面，崔剑等人[5]以物料平衡法为基础，对炼铁厂烧结工序进行解析,结合经验估算法的分配因子,耦合生产过程的物质流、能量流，建立了烧结二氧化硫排放预测模型，其人为因素影响较大，不适用于精准预测。Wang 等人[6]提出了一种基于改进遗传算法（GAMS 算法）的火电厂烟尘实时预测系统，优化了现有系统的烟雾和粉尘预测时间，可以在短时间内对火电厂的烟尘进行准确监测。神经网络和遗传算法在锅炉烟气SO2和粉尘的排放浓度预测方面具有较大的优势，但目前尚存在预测精度不够、数据特征选取困难等问题，因此本文将在神经网络、遗传算法的基础上，对多参数进行降维，利用Stacking集成模型提高预测的精度和准确性。

3 燃煤锅炉的能耗研究现状

WFGD 的工作状态和运行参数往往根据专家的经验进行调控，但由于各专家的理论与实际经验有差距，可能会出现过量排放和材料浪费的情况。早期的研究侧重于实验数据和反应机制的脱硫装置的最佳运行。 Wang 等人[7]开发了一个技术经济模型，用于分析由热电联产（CHP）工厂和燃气锅炉组成的混合供暖系统，以进行峰值负荷补偿。尽管这些研究在一定程度上提高了脱硫效率，但优化的程度往往与专家经验有较大的关联，同时，机理建模过程通常以理想状态为标准，对模型进行了假设与简化，无法准确描述复杂过程，在实际应用中会受到一定的限制。因此，不少学者为了能将工况更好的优化，整合了数据挖掘技术及实验的结果。Zhao 等人[8]针对影响燃煤电厂清洁生产（CP）的各种因素，从时间成本和经济成本方面引入贝叶斯网络和设计结构矩阵（DSM），评估CP 过程中的各种风险，便于企业家选择低成本、低风险的CP 来执行。Terhag 等人[9]应用强化学习算法来寻找最佳清洁策略，通过使用策略梯度算法，优化输入，并使用这种自适应方法来比较适合不同已知参数的策略，提高污染物去除率。神经网络和遗传算法等结合实验数据分析的方法在优化燃煤锅炉单系统的脱污能力上具有一定的效应，但将脱硫、除尘系统结合起来考虑共同优化时，其样本维度、量级、数据间的耦合性均较大，需要从多方面、多角度去考虑。

4 多目标优化的研究现状

在多目标优化的众多方法中，传统的方法是向单目标优化问题方向转化，然后再进行针对性的求解。其中，对目标进行规划、约束及线性加权等都是较为广泛使用的途径。李俊甫[10]针对提高锅炉热效率同时减少酸性氧化物SO2和NOx 排放这一综合优化目标，提出了基于双种群灰狼算法（DGWO）优化核极限学习机（KELM）的锅炉建模方法，提高了电厂锅炉热效率，降低了SO2排放量和NOx 排放量。薛西若等人[11]针对发电厂中脱硫效果与发电厂经济性之间的关系，采用多目标优化的方法对火电厂负荷分配问题进行了研究，提出改进的遗传算法(NSGA-Ⅱ)，利用函数gamultiobj 考虑了经济和环境排放的多目标负荷分配问题。

5 协同优化的研究进展

协同优化(CollaborativeOptimization，CO)是由Kroo教授在1994 年提出的一种用于模型分解的策略[12]。协同优化通过将整个复杂系统分解成相对简单的分支系统，通过系统级别的一致性约束实现各子学科的耦合关系。系统级负责协调学科级的不一致信息并求得最优解，学科级利用本学科的先进方法，在约束下进行求解，提高了求解效率。目前，在运载火箭，空间飞机，高速民用运输，海底车辆等多领域的实际问题中已经成功应用了协同思想。在燃煤锅炉协同优化方面，目前有少量学者对此进行了研究。Zheng 等人[13]针对燃煤电厂难实现燃煤烟气污染物的低成本高效去除问题，建立了超低排放系统的协同优化模型，包括运行成本的系统级模型和脱硝、脱硫和除尘的三个学科级模型，针对超低排放系统的优化方法，提出一种具有动态罚函数的改进协同优化方法。Ji 等人[14]提出了一种基于罚函数的颗粒负荷成本优化粒子群优化算法，以成本最低为目标，考虑氧化铁氧化过程增重、原料燃烧损失和脱硫量对颗粒产物化学成分和成本的影响，构建了颗粒配比优化模型，给出了基于罚函数的颗粒群优化算法，优化了造粒成本。

6 基于数据分析的锅炉协同减污优化

针对超低排放系统各子系统耦合关系，如图3 所示，利用机器学习、深度学习等技术手段，对燃煤锅炉的运行数据进行实时监测分析，提出基于数据分析的锅炉协同减污优化措施。具体实施路线如下：

图3 各子系统耦合关系示意图

（1） 通过研究燃煤锅炉超低排放系统脱去污染物的机理，利用LightGBM/PCA 算法对收集的燃煤锅炉实际运行数据进行数据降维，对各子系统进行特征重要度计算，确定影响各子系统效率的关键因素，对数据进行预处理。利用随机森林、支持向量机、神经网络等个体学习器，结合元学习器构建Stacking 集成学习模型，对SOx/粉尘浓度排放浓度进行预测，将预测结果传递给协同控制器。

（2） 构建燃煤锅炉协同优化控制系统，搭建多目标优化的级联修正自抗扰控制 MADRC 仿真模块，通过利用改进遗传算法优化、多目标粒子群算法优化等单函数或多函数，引入动态罚函数对全局进行协同优化，构建基于多目标优化算法的MADRC 协同控制器，搭建基于燃煤锅炉经济性分析的脱硫除尘系统控制，将系统级优化目标传递给优化子系统。

（3） 对脱硫、除尘子系统进行参数局部寻优建模，通过灰狼算法、粒子群算法等单标准函数或混合函数测试寻优性能，构建脱硫/除尘控制子系统的模型辨识，达到系统级优化结果。

（4） 采用实验的方法，在之前的理论分析和实验的结合，验证燃煤锅炉脱硫除尘协同优化控制的有效性与可行性。

7 结论

在国家大力推进节能降碳，推动建设环境友好型社会的号召下，对电厂燃煤锅炉进行高效污染物去除，减少有毒有害物质的排放具有十分重要的社会价值。利用机器学习等技术手段，通过大数据分析锅炉实时运行数据，综合考虑各子系统间的耦合关系，构建超低排放系统协同优化方案，不仅能更高效率的降低各污染物的排放浓度，且能从系统层面减少各运行成本，为企业获取更高的投资回报。